uniprot-protein-database

UniProt — タンパク質データベース

概要

UniProt は、2億5,000万件を超えるエントリーを含む、最も包括的なタンパク質配列および機能アノテーションのデータベースです。このスキルでは、タンパク質の検索、配列の取得、ID マッピング、アノテーションの照会に UniProt REST API をプログラムから利用する方法を説明します。Swiss-Prot のエントリーは手作業でキュレーションされ、TrEMBL のエントリーは計算によって予測されます。

使用する場面

• 遺伝子名、アクセッション番号、生物種、または機能キーワードでタンパク質を検索する場合
• 下流解析用にタンパク質配列を FASTA 形式で取得する場合
• データベース間で識別子をマッピングする場合（UniProt ↔ Ensembl、PDB、RefSeq、KEGG）
• タンパク質アノテーションにアクセスする場合：GO 用語、ドメイン、翻訳後修飾
• 比較解析のために複数のタンパク質エントリーを一括取得する場合
• 特定の生物種のレビュー済み（Swiss-Prot）タンパク質データセットをダウンロードする場合
• 40 以上のデータベースへの統合アクセスには、代わりに bioservices を使用してください
• タンパク質の 3D 構造には、alphafold-database-access または pdb-database を使用してください

前提条件

pip install requests pandas

API のレート制限：UniProt REST API には厳密なレート制限はありませんが、一括リクエストの間に time.sleep(0.5) を追加することが推奨されています。大規模なクエリ（10,000 件超）には、ページネーション付き検索ではなくストリーミングエンドポイントを使用してください。ID マッピングジョブあたりの ID 数は最大 100,000 件です。

クイックスタート

import requests

# Search for human insulin proteins (reviewed/Swiss-Prot only)
url = "https://rest.uniprot.org/uniprotkb/search"
params = {"query": "insulin AND organism_id:9606 AND reviewed:true", "format": "tsv",
          "fields": "accession,gene_names,protein_name,length"}
response = requests.get(url, params=params)
print(response.text[:500])
# accession  gene_names  protein_name  length
# P01308     INS         Insulin       110

コア API

1. タンパク質検索

ブール演算子とフィールド固有のフィルターを組み合わせた構造化クエリで UniProt を検索します。

import requests
import time

BASE = "https://rest.uniprot.org/uniprotkb/search"

def search_uniprot(query, fields=None, format="json", size=25):
    """Search UniProt with query syntax."""
    params = {"query": query, "format": format, "size": size}
    if fields:
        params["fields"] = ",".join(fields)
    resp = requests.get(BASE, params=params)
    resp.raise_for_status()
    return resp.json() if format == "json" else resp.text

# Search by gene name
results = search_uniprot("gene:BRCA1 AND reviewed:true",
                         fields=["accession", "gene_names", "organism_name", "length"])
for entry in results["results"][:3]:
    print(f"{entry['primaryAccession']} | {entry.get('genes', [{}])[0].get('geneName', {}).get('value', 'N/A')} | {entry.get('organism', {}).get('scientificName', 'N/A')}")

クエリ構文のリファレンス：

# Boolean operators
kinase AND organism_id:9606          # Human kinases
(diabetes OR insulin) AND reviewed:true
cancer NOT lung

# Field-specific
gene:BRCA1
accession:P12345
taxonomy_name:"Homo sapiens"
go:0005515                           # GO term: protein binding

# Range queries
length:[100 TO 500]
mass:[50000 TO 100000]

# Wildcards
gene:BRCA*

2. タンパク質エントリーの取得

アクセッション番号で個々のタンパク質エントリーを取得します。

import requests

def get_protein(accession, format="json"):
    """Retrieve a single protein entry."""
    url = f"https://rest.uniprot.org/uniprotkb/{accession}"
    resp = requests.get(url, headers={"Accept": f"application/{format}"})
    resp.raise_for_status()
    return resp.json() if format == "json" else resp.text

# Get human insulin
entry = get_protein("P01308")
print(f"Protein: {entry['proteinDescription']['recommendedName']['fullName']['value']}")
print(f"Gene: {entry['genes'][0]['geneName']['value']}")
print(f"Length: {entry['sequence']['length']} aa")
print(f"Sequence: {entry['sequence']['value'][:50]}...")

# Get FASTA directly
fasta = requests.get("https://rest.uniprot.org/uniprotkb/P01308.fasta").text
print(fasta[:200])

3. ID マッピング

UniProt と他のデータベース間で識別子をマッピングします。

import requests
import time

def map_ids(ids, from_db, to_db):
    """Map identifiers between databases (async job)."""
    # Submit job
    resp = requests.post("https://rest.uniprot.org/idmapping/run",
                         data={"from": from_db, "to": to_db, "ids": ",".join(ids)})
    resp.raise_for_status()
    job_id = resp.json()["jobId"]

    # Poll for completion
    while True:
        status = requests.get(f"https://rest.uniprot.org/idmapping/status/{job_id}").json()
        if "results" in status or "failedIds" in status:
            break
        time.sleep(1)

    # Get results
    results = requests.get(f"https://rest.uniprot.org/idmapping/results/{job_id}").json()
    return results

# UniProt → PDB mapping
results = map_ids(["P01308", "P12345"], from_db="UniProtKB_AC-ID", to_db="PDB")
for r in results.get("results", []):
    print(f"{r['from']} → PDB: {r['to']}")

# UniProt → Ensembl mapping
results = map_ids(["P01308"], from_db="UniProtKB_AC-ID", to_db="Ensembl")
for r in results.get("results", []):
    print(f"{r['from']} → Ensembl: {r['to']}")

一般的なデータベースコード：UniProtKB_AC-ID、Ensembl、RefSeq_Protein、PDB、Gene_Name、GeneID、KEGG

4. 一括取得とストリーミング

大規模なデータセットを効率的に取得します。

import requests
import time

def batch_retrieve(accessions, fields=None, format="tsv"):
    """Retrieve multiple proteins by accession."""
    query = " OR ".join(f"accession:{acc}" for acc in accessions)
    params = {"query": query, "format": format}
    if fields:
        params["fields"] = ",".join(fields)
    resp = requests.get("https://rest.uniprot.org/uniprotkb/search", params=params)
    resp.raise_for_status()
    return resp.text

# Batch retrieve
accessions = ["P01308", "P12345", "Q9Y6K9"]
tsv = batch_retrieve(accessions, fields=["accession", "gene_names", "protein_name", "length"])
print(tsv)

# Streaming for large queries (no pagination needed)
def stream_query(query, format="fasta"):
    """Stream large result sets."""
    url = f"https://rest.uniprot.org/uniprotkb/stream?query={query}&format={format}"
    resp = requests.get(url, stream=True)
    resp.raise_for_status()
    for chunk in resp.iter_content(chunk_size=8192, decode_unicode=True):
        yield chunk

# Stream all human kinases as FASTA
# for chunk in stream_query("kinase AND organism_id:9606 AND reviewed:true"):
#     print(chunk[:200])

5. ページネーションとカーソルベースの反復処理

Link ヘッダーのカーソルを使ったページネーションで、大規模な結果セットを処理します。

import requests

def paginate_search(query, fields=None, page_size=500):
    """Iterate all pages of a UniProt search using cursor pagination."""
    params = {"query": query, "format": "tsv", "size": page_size}
    if fields:
        params["fields"] = ",".join(fields)
    url = "https://rest.uniprot.org/uniprotkb/search"
    rows = []
    header = None
    while url:
        resp = requests.get(url, params=params)
        resp.raise_for_status()
        params = {}  # cursor is embedded in the next URL
        lines = resp.text.strip().split("\n")
        if header is None:
            header = lines[0]
        rows.extend(lines[1:])
        # Follow Link header for next page
        link = resp.headers.get("Link", "")
        url = link.split("<")[1].split(">")[0] if "<" in link else None
    return header, rows

header, rows = paginate_search(
    "kinase AND organism_id:9606 AND reviewed:true",
    fields=["accession", "gene_names", "length"]
)
print(f"Retrieved {len(rows)} proteins")
print(header)
print("\n".join(rows[:3]))

6. フィールド選択とアノテーション

取得するデータフィールドをカスタマイズします。

import requests
import pandas as pd
from io import StringIO

# Retrieve specific annotation fields
params = {
    "query": "gene:TP53 AND organism_id:9606 AND reviewed:true",
    "format": "tsv",
    "fields": "accession,gene_names,protein_name,go_p,go_f,go_c,cc_function,ft_domain",
}
resp = requests.get("https://rest.uniprot.org/uniprotkb/search", params=params)
df = pd.read_csv(StringIO(resp.text), sep="\t")
print(df.columns.tolist())
print(df.iloc[0])

一般的なフィールドグループ：

• 配列：accession、sequence、length、mass
• 名称：gene_names、protein_name、organism_name
• GO：go_p（プロセス）、go_f（機能）、go_c（コンポーネント）
• 特徴：ft_domain、ft_binding、ft_act_site、ft_mod_res
• コメント：cc_function、cc_interaction、cc_subcellular_location

主なパラメーター

パラメーター	機能／エンドポイント	デフォルト	範囲／オプション	効果
query	/search、/stream	—	UniProt クエリ構文	条件に基づいてタンパク質を絞り込みます
format	すべてのエンドポイント	json	json、tsv、fasta、xml、gff	出力形式
fields	/search	すべて	カンマ区切りのフィールド名	レスポンスサイズを削減します
size	/search	25	1–500	1 ページあたりの結果数
from / to	/idmapping/run	—	データベースコード	ID マッピングの方向
reviewed:true	クエリフィルター	—	true／false	Swiss-Prot（キュレーション済み）のみ
organism_id	クエリフィルター	—	NCBI 分類 ID	生物種で絞り込みます

ベストプラクティス

1. 厳選データには reviewed:true でフィルタリングする：Swiss-Prot のエントリは手動でレビューされていますが、TrEMBL のエントリは計算による予測です。信頼性の高いアノテーションには Swiss-Prot を使用してください。

2. 表形式の分析には fields を指定して TSV 形式を使用する：必要なフィールドのみを TSV 形式でリクエストすると、エントリ全体を JSON 形式で取得するより高速で、解析も容易です。

3. 大規模なダウンロードにはストリーミングを使用する：/stream エンドポイントはページネーションなしですべての結果を返すため、複数ページを反復処理する必要がありません。

4. バッチリクエストの間に time.sleep(0.5) を追加する：特に連続して多くのリクエストを行う場合は、API のリソースに配慮してください。

5. 頻繁にアクセスするエントリはローカルにキャッシュする：UniProt は毎月更新されるため、結果をキャッシュし、必要な場合にのみ再取得してください。

6. アンチパターン — organism_id を指定せずにクエリする：gene:INS のような広範なクエリでは、全種にわたって数千件のエントリが返されます。対象を絞った結果を得るには、必ず生物種でフィルタリングしてください。

よく使うレシピ

レシピ：ヒトの全キナーゼを DataFrame としてダウンロードする

import requests
import pandas as pd
from io import StringIO

url = "https://rest.uniprot.org/uniprotkb/stream"
params = {
    "query": "ec:2.7.* AND organism_id:9606 AND reviewed:true",
    "format": "tsv",
    "fields": "accession,gene_names,protein_name,length,go_f",
}
resp = requests.get(url, params=params)
df = pd.read_csv(StringIO(resp.text), sep="\t")
print(f"Human kinases (Swiss-Prot): {len(df)}")
print(df.head())

レシピ：遺伝子セットの GO アノテーションを抽出する

import requests
import pandas as pd
from io import StringIO

gene_list = ["BRCA1", "BRCA2", "TP53", "ATM", "CHEK2"]
query = " OR ".join(f"gene:{g}" for g in gene_list)
query += " AND organism_id:9606 AND reviewed:true"

params = {
    "query": query,
    "format": "tsv",
    "fields": "accession,gene_names,go_p,go_f,go_c",
}
resp = requests.get("https://rest.uniprot.org/uniprotkb/search", params=params)
df = pd.read_csv(StringIO(resp.text), sep="\t")
print(df[["Accession", "Gene Names", "Gene Ontology (biological process)"]].head())

レシピ：UniProt を PDB 構造に相互参照する

import requests
import time

accessions = ["P53_HUMAN", "P01308", "P00533"]  # TP53, Insulin, EGFR
resp = requests.post("https://rest.uniprot.org/idmapping/run",
                     data={"from": "UniProtKB_AC-ID", "to": "PDB", "ids": ",".join(accessions)})
job_id = resp.json()["jobId"]
time.sleep(2)
results = requests.get(f"https://rest.uniprot.org/idmapping/results/{job_id}").json()
for r in results.get("results", []):
    print(f"{r['from']} → PDB: {r['to']}")

トラブルシューティング

問題	原因	解決策
400 Bad Request	クエリ構文が無効	ブール演算子、フィールド名、括弧の対応を確認してください。UniProt のクエリ構文ドキュメントを参照してください
結果が多すぎる（遅い）	生物種またはレビューのフィルターがない	AND organism_id:9606 AND reviewed:true を追加して結果を絞り込んでください
ID マッピングの結果が空	データベースコードが誤っている	from／to のコードを確認してください。UniProtKB のみではなく、UniProtKB_AC-ID を使用してください
ページネーションでエントリが欠落する	結果セットが大きい	ページネーションありの /search ではなく、/stream エンドポイントを使用してください
429 Too Many Requests	API 呼び出しが過剰	リクエストの間に time.sleep(0.5) を追加してください。アクセッションを単一のクエリにまとめてください
FASTA に遺伝子名がない	アノテーションが最小限の TrEMBL エントリ	完全なアノテーションを持つ Swiss-Prot エントリには reviewed:true でフィルタリングしてください

関連スキル

• biopython-molecular-biology — UniProt から返された FASTA 配列を解析します。取得した配列で BLAST を実行します
• alphafold-database-access — UniProt アクセッションを使用して予測された 3D 構造を取得します
• esm-protein-language-model — UniProt のタンパク質配列から埋め込みを生成します
• gget-genomic-databases — データベース間で遺伝子／タンパク質をすばやく検索するための代替インターフェースです

参考資料

• UniProt REST API ドキュメント — 公式 API リファレンス
• UniProt クエリ構文 — フィールド固有の検索演算子
• UniProt Consortium (2023) — 「UniProt: the Universal Protein Knowledgebase in 2023」— Nucleic Acids Research